심장음으로 확인하는 인간 신원 최신 연구와 미래 전망

초록

본 논문은 심장음(Phonocardiogram, PCG)을 새로운 바이오메트릭 특성으로 활용하는 연구 동향을 정리한다. 심장음의 고유한 시간‑주파수 패턴이 개인별로 구분 가능함을 보이며, 기존 지문·얼굴·홍채 등과 비교해 비침습성, 위조 방지, 연속 인증 등 장점을 강조한다. 주요 전처리·특징 추출·분류 기법을 소개하고, 현재까지 보고된 인증 정확도(EER 2~8%)와 한계점을 분석한다. 마지막으로 데이터베이스 구축, 센서 표준화, 다중모달 융합, 실시간 시스템 구현 등 향후 연구 과제를 제시한다.

상세 분석

심장음 기반 바이오메트릭은 심장의 기계적 활동을 전기음향 신호(PCG)로 변환한 뒤, 개인 고유의 패턴을 추출해 인증에 활용한다. 논문은 크게 네 단계(신호 획득, 전처리, 특징 추출, 매칭)로 흐르는 전형적인 파이프라인을 제시한다.

1. 신호 획득: 현재는 디지털 스테토스코프 혹은 마이크로폰 기반 센서를 사용한다. 센서 위치는 흉부 4·5번 갈비뼈 사이가 가장 신호 대 잡음비(SNR)가 높으며, 심박동 주기와 호흡에 따른 변동을 최소화하기 위해 휴식 상태에서 측정한다. 일부 연구는 웨어러블 패치형 센서를 도입해 장시간 연속 수집을 시도했으며, 이는 실시간 인증 시나리오에 유리하다.

2. 전처리: 심장음은 심음(S1, S2)과 잡음(호흡, 외부 소음)으로 구성된다. 전통적인 대역통과 필터(20‑500 Hz)와 웨이블릿 기반 노이즈 억제가 주로 사용된다. 최근에는 적응형 Kalman 필터와 딥러닝 기반 노이즈 제거(AutoEncoder)가 도입돼 SNR을 10 dB 이상 향상시켰다. 또한, 심박 주기를 기준으로 신호를 주기적으로 세그멘테이션하고, 각 주기마다 정규화 과정을 거쳐 길이와 진폭을 표준화한다.

3. 특징 추출: 초기 연구는 시간 영역의 피크 간격, 에너지, 지속시간 등을 손쉽게 추출했다. 이후 주파수 영역에서는 멜 스펙트로그램, MFCC, 파워 스펙트럼 밀도(PSD) 등이 활용되었다. 특히, 변동성 높은 고주파 성분을 강조하기 위해 스펙트로그램에 로그 스케일을 적용하거나, CWT(Continuous Wavelet Transform)로 다중 해상도 특징을 얻는 방법이 주목받는다. 최근에는 CNN‑LSTM 하이브리드 모델이 원시 PCG를 직접 입력받아 자동으로 공간‑시간 특징을 학습함으로써 전통적인 hand‑crafted 특징을 능가하는 성능을 보였다.

4. 매칭·분류: 전통적인 거리 기반 매칭(KNN, DTW)에서부터 SVM, Random Forest, 그리고 딥러닝 기반 Siamese 네트워크까지 다양한 분류기가 실험되었다. 특히, Siamese 네트워크는 쌍(pair) 입력을 통해 임베딩 공간을 학습해 작은 데이터셋에서도 높은 구분력을 확보한다. 인증 성능은 주로 EER(Equal Error Rate)와 ROC‑AUC로 보고되며, 현재 최고 성능은 EER 2.1 % 수준이다. 다중모달 융합 연구에서는 심장음과 심전도(ECG), 얼굴 이미지 등을 결합해 EER을 0.5 % 이하로 낮추는 결과가 보고되었다.

강점: 비침습적이며, 피부 접촉만으로 수집 가능해 사용자가 인식하기 어려운 ‘숨은’ 바이오메트릭이다. 심장음은 생리적 상태와 연관돼 위조가 어려우며, 연속 인증(예: 스마트워치 착용 중)에도 적합하다.

약점: 신호가 호흡·운동·스트레스 등에 민감해 변동성이 크다. 고품질 센서와 정교한 전처리가 없으면 SNR 저하로 인증 정확도가 급격히 떨어진다. 또한, 현재 공개된 대규모 PCG 데이터베이스가 부족해 모델 일반화가 제한적이다.

미래 과제: (1) 표준화된 데이터셋 구축 및 베이스라인 공개, (2) 저전력 웨어러블 센서와 실시간 DSP 알고리즘 개발, (3) 다중모달 융합 프레임워크와 프라이버시 보호를 위한 템플릿 보호 기법, (4) 법적·윤리적 규제 정립이 필요하다.